بہاؤ کوئز کو معمول بنانا

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. معمول کے بہاؤ میں ہر تبدیلی میں کون سی ریاضیاتی خاصیت ہونی چاہیے؟
   • یہ ایک بے ترتیب، غیر الٹی میپنگ ہونی چاہیے۔
   • یہ الٹنے والا (بجیکٹیو) اور قابل تفریق ہونا چاہیے۔
   • اسے ہر قدم پر جہت کو کم کرنا چاہیے۔
   • یہ ایک مجرد تلاش کی میز ہونی چاہیے۔
2. کون سا فارمولہ بہاؤ کو معمول پر لانے دیتا ہے درست امکانات کا حساب؟
   • سافٹ میکس فنکشن
   • بیل مین مساوات
   • Bayes کا اصول لاگٹس پر لاگو ہوتا ہے۔
   • Jacobian determinant کا استعمال کرتے ہوئے متغیر کی تبدیلی کا فارمولا
3. ریئل این وی پی اور گلو جیسے فلو آرکیٹیکچرز کپلنگ لیئرز کیوں استعمال کرتے ہیں؟
   • جیکوبیان کو مثلث بنانے کے لیے تاکہ اس کا تعین کنندہ شمار کرنا سستا ہو۔
   • ماڈل کو ناقابل الٹنے کے لیے
   • بیس تقسیم کی ضرورت کو دور کرنے کے لیے
   • ماڈل کو GAN میں تبدیل کرنے کے لیے
4. What does a tractable normalizing flow provide that an ordinary GAN generator generally does not?
   • A guarantee of perfect anomaly detection
   • A guarantee of faster sampling than every GAN
   • An explicitly evaluable model density through change of variables
   • A non-invertible mapping with no base distribution
5. How should a team use normalizing-flow likelihoods for anomaly detection?
   • Assume every high-likelihood input is familiar
   • Treat density as the probability mass of a single point
   • Skip checking real anomaly labels
   • Validate them as a signal against relevant in-distribution and anomalous examples
6. کون سی جدید تکنیک، جو کہ اسٹیبل ڈفیوژن 3 جیسے سسٹمز میں استعمال ہوتی ہے، مسلسل بہاؤ آئیڈیاز سے پروان چڑھی؟
   • وقت کے ساتھ بیک پروپیگیشن
   • فلو میچنگ (ایک رفتار فیلڈ سیکھنا جو شور کو ڈیٹا تک پہنچاتا ہے)
   • ٹوکنائزیشن
   • بیم کی تلاش
7. A one-dimensional flow inverse is z = x / 2. What log-Jacobian term appears in log p(x)?
   • log(2)
   • The parameter count of the network
   • log(1/2)
   • No term because the inverse is linear
8. Why must a normalizing flow account for stretching or shrinking volume?
   • A transformed region’s density must reflect the changed volume
   • The transformation must lose half its dimensions
   • Every output point must have probability mass one
   • The base distribution must be discarded after training